Бесплатный автореферат и диссертация по наукам о земле на тему

Разработка методики автоматизированного распознавания железнодорожных путей по данным дистанционного зондирования Земли из космоса сверхвысокого разрешения, получаемых российским космическим комплексом "Ресурс-ДК1"

ВАК РФ 25.00.35, Геоинформатика

Автореферат диссертации по теме "Разработка методики автоматизированного распознавания железнодорожных путей по данным дистанционного зондирования Земли из космоса сверхвысокого разрешения, получаемых российским космическим комплексом "Ресурс-ДК1""

На правах рукописи

Макаров Алексей Юрьевич

Разработка методики автоматизированного распознавания

железнодорожных путей по данным дистанционного зондирования Земли из космоса сверхвысокого разрешения, получаемых российским космическим комплексом «Ресурс-ДК1»

Специальность 25.00.35 - «Геоинформатика»

Автореферат диссертации на соискание ученой степени кандидата технических наук

Москва - 2008

003449933

Диссертационная работа выполнена: на кафедре «Геодезии, геоинформатики и навигации» Государственного образовательного учреждения высшего профессионального образования «Московский государственный университет путей сообщения» (МИИТ)

Научный руководитель: доктор технических наук, профессор Матвеев Станислав Ильич

Официальные оппоненты:

д.г.н. Глушков Валерий Васильевич, заместитель директора Института истории естествознания и техники им. С.И. Вавилова РАН;

к.т.н. Кужелев Павел Дмитриевич, доцент кафедры ВТиОАИ МИИГАиК.

Ведущая организация: Центральный научно-исследовательский институт геодезии, аэрофотосъемки и картографии (ЦНИИГАиК).

Защита состоится: 13 ноября 2008 года в 14:00 на заседании диссертационного совета Д 218.005.11 в Московском государственном университете путей сообщения (МИИТ) по адресу: 127994, Москва, ул. Образцова, 15, ауд. 1235.

С диссертацией можно ознакомиться в библиотеке университета.

Отзывы на автореферат в двух экземплярах, заверенные печатью, просим направлять по адресу совета университета.

Автореферат разослан 13 октября 2008 года.

Ученый секретарь совета /

/

д.т.н, профессор

Ю.А. Быков

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Согласно Концепции создания и развития инфраструктуры пространственных данных Российской Федерации (распоряжение Правительства РФ № 1157р от 21.08.06), а также в соответствии с принятой на «Железнодорожном съезде: Развитие 2030» «Стратегией развития железнодорожного транспорта Российской Федерации до 2030 года» приоритетным направлением научно-технической политики в железнодорожном транспорте является внедрение высоких информационных технологий, которые принципиально меняют качество и сущность управления железнодорожной инфраструктурой, реализуя объективные инструментальные методы мониторинга, оценки и контроля состояния наземных объектов.

Такие технологии мониторинга, оценки и контроля должны создаваться на основе современных систем дистанционного зондирования Земли (ДЗЗ), базирующихся на спутниковых системах ДЗЗ сверхвысокого разрешения в сочетании со средствами цифровой комплексной компьютеризированной наземной обработки данных ДЗЗ.

В ряде стран уже активно проводятся подобные работы по применению спутниковых системы ДЗЗ сверхвысокого разрешения на железнодорожном транспорте.

В последнее время в России такого рода работы - съёмки сверхвысокого разрешения - традиционно проводились с использованием иностранных космических аппаратов (КА), что было невыгодно экономически и, кроме того, ставило результаты работ в зависимость от воли иностранных компаний.

Однако на настоящий момент запущен и успешно функционирует первый отечественный спутник ДЗЗ - «Ресурс-ДК1». Сильно выигрывая в цене у зарубежных КА (2,52 р. за 1 кв. км новой съемки и 2,02 р. за 1 кв. км архивной), он практически не уступаем большинству зарубежных конкурентов в про. гранственном разрешении (до 1 метра), и существенно

превосходит их по площади, захватываемой за один проход (28,35 км в ширину с высоты 350 км и до 2000 км в длину). Подобного рода возможности открывают широкие перспективы для регулярных качественных съемок земной поверхности в интересах железнодорожной отрасли, а последующее автоматизированное распознавание результатов съемок позволит существенно ускорить процессы обработки получаемых данных.

Цели работы. Целью диссертационной работы является разработка методики автоматизированного распознавания железнодорожных путей на космических снимках сверхвысокого разрешения для получения цифровых моделей путей.

С учетом вышеизложенного, основными задачами диссертационного исследования являются:

-Изучение и описание КА «Ресурс-ДК1», принципов работы наземного сегмента космического комплекса «Ресурс-ДК1», теории построения изображения съемочной аппаратурой КА «Ресурс-ДК1», теории построения изображения съемочной аппаратурой КА «Ресурс-ДК1», теории искажений построения цифровых изображений;

- Разработка способа исправления и обработки цифровых изображений, способа улучшения качества цифровых изображений, способа создания тематической продукции по материалам съемок, методики автоматизированного распознавания железнодорожных путей по материалам съемок, программного обеспечения для автоматизированного распознавания железнодорожных путей по материалам съемок, технологического процесса создания тематической продукции по материалам съемок «Ресурс-ДК1»;

- Экспериментальное доказательство возможности создания цифровых моделей железнодорожных путей по материалам съемок «Ресурс-ДК1»;

Методика исследования. Для достижения поставленных целей, используя методы научного познания, был произведен анализ трудов российских и зарубежных ученых" в области ДЗЗ, в области математической картографии, в области геоинформационных систем, в области небесной механики и теории движения космического аппарата, з области проектирования железнодорожного Пути; используя библиотечные фонды Российской государственной библиотеки, центральной политехнической библиотеки, государственной публичной научно-технической библиотеки, ресурсы мировой информационной сети Интернет. Для подтверждения разработанных способов, алгоритмов и программ были проведены многочисленные эксперименты в процессе ЛКИ «Ресурс-ДК1».

Научная новизна работы состоит в том, что впервые разработана новая методика, алгоритм и программное обеспечение автоматизированного распознавания железнодорожных путей по данным дистанционного зондирования Земли из космоса сверхвысокого разрешения, которая позволяет на порядок повысить скорость и точность дешифрирования цифровых снимков, а также разработан технологический процесс дешифрирования и создания и обновления цифровых векторных карт по данным ДЗЗ сверхвысокого разрешения.

На защиту выносятся:

- разработанные новая методика и алгоритм автоматизированного распознавания железнодорожных путей по данным дистанционного зондирования Земли из космоса сверхвысокого разрешения.

Практическая значимость работы состоит в следующем:

Разработана новая методика и алгоритм автоматизированного распознавания железнодорожных путей по данным дистанционного зондирования Земли из космоса сверхвысокого разрешения;

Разработано программное обеспечение для

автоматизированного распознавай ,я железнодорожных путей по данны

дистанционного зондирования Земли из космоса сверхвысокого разрешения;

Разработан технологический процесс создания тематической продукции по материалам съемок «Ресурс-ДК1>> в интересах железнодорожной отрасли,

Разработаны алгоритмы коррекции яркостных и динамических искажений цифровых изображений.

Апробация работы и научные публикации Разработанная методика автоматизированного распознавания железнодорожных путей по данным дистанционного зондирования Земли из космоса сверхвысокого разрешения была использована в работе по научно-исследовательской и опытно-конструкторской теме ОАО «НИИАС» 19.1.006 Н «Система определения местоположения технологических объектов на путевом развитии станции на основе применения аппаратуры потребителей спутниковых радионавигационных систем ГЛОНАСС/СРБ».

Результаты диссертационной работы апробировались на 59 научно-технической конференции студентов, аспирантов и молодых ученых МИИГАиК (Москва 2004 г.); на конференции «Неделя науки-2007» (г. Москва 2007 г.); на 4-ой Международной научно-практической конференции «Геопространственные технологии и сферы их применения» (Москва 2007 г.); на международной научно-практической конференции «Проблемы геоинформатики и спутниковой навигации железнодорожного транспорта»» (Москва 2007 год) и получили одобрение.

На проходившем в Ростове-на-Дону 10-14 июля 2008 года Региональном слете молодежи ОАО «РЖД», проектная группа молодых ученых, руководимая автором, получила первое место в номинации «Инновации и Инвестиции», за проект «Спутник-ЖД», в котором также были предложены к использованию принципы работы с данными ДЗЗ из космоса, изло. :енные в данной диссертационной рабо ге.

Основные положения диссертационной работы н научные результаты, полученные автором, опубликованы в 9 печатных работах.

Структура и объем диссертации

Диссертация состоит из введения, четырех глав, заключения и списка литературы, состоящего из 45 источников, объем диссертации составляет 221 страницу. Работа содержит 10 таблиц и 55 рисунков.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, определены цели и содержание поставленных задач, сформулирован объект и предмет исследования, указана теоретическая значимость и прикладная ценность полученных результатов, а также сообщены положения, выносящиеся на защиту.

В первой главе приведен анализ современного состояния рынка данных ДЗЗ. Изложено современное состояния рынка, его основные тенденции, даны прогнозы на будущее. Описаны пути возможной интеграции данных ДЗЗ в геоинформационные системы (ГИС) и в другие отрасли. Приведены примеры применения данных ДЗЗ для решения различных задач, в том числе и для нужд железнодорожной отрасли.

Подробны проанализированны разные типы исходных данных ДЗЗ и ее возможности по использованию для нужд железнодорожной отрасли, в зависимости от пространственного разрешения данных.

Во второй главе рассмотрен космический комплекс (КК) «Ресурс-ДК1». Подробно описан сам КА, его характеристики, составные части, съемочная аппаратура. Также показана структура наземной сегмента комплекса, его составные части, схемы взаимодействия, задачи и принципы функционирования.

В третьей главе рассмотрена теория построения изображения съемочной системой «Ресурс-ДК1» Подробно изложены возникающие при

этом ошибки и искажения и их источники Изложено описание методов и алгоритмов, разработанных автором, для устранения этих искажений.

Устранение возникающих искажений происходит в Комплексе цифровой обработки (КЦО) КТОИ. Для этого в составе КЦО функционируют 3 модуля: модуль компенсации искажений, модуль коррекции геометрического рассогласования полос и модуль геометрической трансформации.

Модуль компенсации искажений занимается компенсацией яркостных и динамических искажений.

Для проведения данных компенсаций автором были предложены алгоритмы, отвечающая двум основным условиям: максимальная оперативность в сочетании с минимальными вычислительными затратами и отсутствие эталонного исходного изображения.

Сначала происходит оценка яркостных искажений изображения. Для этого предполагается, что модель данного вида искажений имеет вид:

у(п,,п2)=а(п2) х0(п1,п2)+Ь(п2)> (1)

где х0(п!,п2) - «идеальное» изображение, не имеющее искажений; у(п ] ,п2) - искаженное изображение; П1,п2 - целочисленные аргументы (номера) пикселов (П1 - по столбцам, п2 - по строкам изображения); а(п2) -коэффициент чувствительности элемента ОЭП, отвечающего за формирование п2-го пиксела в строке; Ь(п2) - аддитивная компонента искажения, обусловленная уровнем темновых токов этого же элемента ОЭП.

Из модели искажений (1) следует, что разброс параметров элементов ОЭП, описываемый последовательностями а(п2) и Ь(п2) , приводит к детерминированным изменениям средних значений и диапазона пикселов в столбцах изображения.

Оценка яркостных искажений изображения основана на вычислении для каждого столбца двух характеристик: среднего значения и дисперсии пикселов.

Реализация алгоритма предполагает выполнение следующей последовательности шагов.

Шаг"!. Вычисление гистограмм значений пикселов в столбцах входного изображения. Сначала весь двумерный массив \У(у,п2) заполняется нулевыми значениями. Далее, в цикле по строкам изображения (по переменной П|) и по столбцам (по переменной п2) прибавляются единицы к элементам массива, отвечающим за соответствующие значения пикселов:

М(у(п1 ,п2) ,п2) <- \У(у(п! ,п2) ,п2) + 1 (2)

Шаг 2. Рассчитываются значения средних и дисперсий по столбцам: ] 1023

М(п2) = - £ у\У(у,п2)

у=0 (3)

1 1023 Г 1

0(п2)= [у2 \У(у,п2)-М2(п2)]

У = 0 (4)

Шаг 3. Вычисляются сглаженные оценки средних и дисперсий - М5(п2), В5(п2), для чего осуществляется усреднение последовательностей (4) в симметричном скользящем окне размером в Ь пикселов (Ь - нечетное целое). Основные рекурсивные формулы такого усреднения имеют вид:

М5(п2) = М3(п2 - 1) + £ ГмГп2 + - Ми2 ■ Ь + '

2

(5)

05(п2) = 05(п2 - 1) + ^ \ъ\п2 + - о( п2 - Ь +

2 )) (б)

Шаг 4. Из условия преобразования случайных величин с характеристиками М,,(гь), 05(п2) в величины с характеристиками М(п2), 0(п2) вычисляются параметры модели искажений (1):

х ч I °Ы

Вычислительную сложность рассмотренного алгоритма можно принять на уровне трех операций на пиксел обрабатываемого изображения.

После проведения оценки яркостных искажений и получения выходных массивов информации и их параметров (а(п2) и Ь(п2)) применяется алгоритм Компенсации яркостных искажений.

Реализация алгоритма предполагает выполнение следующей последовательности шагов.

Шаг 1. Вычисление параметров функции линейного преобразования, обратного к (1):

Шаг 2. Реализация компенсирующего преобразования для всех пикселов изображения:

Шаг 3. Коррекция значений пикселов на случай их возможного выхода за допустимый диапазон значений: х^ПьПа^О, при х^ПьГ^О Х1(пьп2) с=х,(пьп2), при 0< х,(пьп2)<1023 (10) х,(п1,п2) <=1023, при Х1(пьп2)>1023

Вычислительная * сложность алгоритма составляет 5 сложений/вычитаний и одно умножение, т.е. всего шесть операций на пиксел обрабатываемого изображения.

Далее необходимо провести оценку и компенсацию динамических искажений изображения. Сначала проводится их оценка

Алгоритм оценки синтезирует общую гистограмму скорректированного изображения х^пьПг) из частных гистограмм, построенных по столбцам входного изображения у(п!,п2) с учетом параметров яркостных искажений. После синтеза общей гистограммы по

х](п1 ,п2) = а(п2) у(п! ,п2) + В(п2)

(9)

ю

ней вычисляются два квантиля, соответствующие заданной допустимом вероятности выхода пикселов за оцениваемые границы динамического диапазона.

Шаг 1 Синтез общей гистограммы изображения путем суммирования (со сдвигом) гистограмм столбцов с последующей нормировкой.

1023

\У,

оощ\

Ы)"

1

1024Ы

£ \\'[(а(п2)х, ьЬ(п2)),п2]

"2 = ° 0<х,<1023 (11)

где [...]- оператор выделения целой части числа. Значения ..],п2), для которых целая часть числа а(п2)х1+Ь(п:) оказывается за пределами интервала [0,1023], принимаются равными нулю

Шаг 2. Вычисление квантиля, соответствующего минимальному значению пиксела:

%ш= агС

I

X) ~ 0

^бшЫ =

гдоп

(12)

Шаг 3. Вычисление квантиля, соответствующего максимальному значению пиксела:

хтах— аг8

х, = 0

^бшЫ = 1 -

гдоп

(13)

Вычислительная сложность алгоритма составляет менее 0,15 арифметических операций на пиксел, т.е. является пренебрежимо малой.

После оценки динамических искажений происходит их компенсация.

Алгоритм компенсации реализует линейное поэлементное преобразование изображения, обеспечивающий преобразование реального динамического диапазона к полной байтовой шкале значений (диапазону 0-255)

Шаг 1 Вычисление параметров функции линейного преобразования:

н

255

255

адд =

хтах хтп

Вддг

х,

■тах Хпнг

Шаг 2 Реализация линейного преобразования для всех пикселов изображения:

Х(П|,П2)=Адд Х1(П,,П2) = Вдд (15) Шаг 3. Коррекция значений , пикселов на случай их возможного выхода за допустимый диапазон значений: х(пьп2)<=0. при х(пьп2)<0 х(пьп2) <=Х|(П|,п2), при 0< х(пьп2)<1023 (16) х(п,,п2) <=1023, при х(п,,п2)>1023

Если пренебречь малыми затратами на первом шаге алгоритма, то его вычислительная сложность (с учетом индексации) составляет шесть операций на пиксел обрабатываемого изображения.

Далее изображение обрабатывается в модуле коррекции геометрического рассогласования полос, а затем в модуле геометрической трансформации (где происходит преобразование изображения в систему координат формируемого кадра).

После этого изображение передается в Комплекс тематической обработки (КТО) на тематическую обработку, где проводятся в том числе и процедуры распознавания.

В четвертой главе приведены способы предлагаемые автором для повышения качества цифровых изображений. Основу этих способов составляет высокочастотная фильтрация изображений и подчёркивание контуров методом Лапласа. Изложена разработанная автором методика автоматизированного распознавания железнодорожных путей по данным ДЗЗ. Установлена точность и надежность данной методики. Дано описание результатов эксперимента по применению данной методики в рамках НИОКР ОАО «НИИАС» 19.1.006.Н. Приведен технологический процесс по созданию тематической продукции по материалам съемок «Ресурс-ДК1» для железнодорожной отрасли разработанный автором.

Для автоматизированного распознавания железнодорожных путей на снимках предлагается методика, основанная на детектировании прямолинейных объектов с использованием модифицированного преобразования Хока.

Преимуществом преобразования Хока является его нечувствительность к шумам. Отдельные шумовые точки, присутствующие на исходном изображении, практически не влияют на получаемый результат. Более того, прямолинейные объекты устойчиво детектируются'даже при наличии многочисленных разрывов.

Очевидно, что участок железнодорожного пути в пределах относительно небольшого фрагмента изображения высокого разрешения может быть представлен в виде геометрической модели, состоящей из двух параллельных прямых, расположенных на заведомо известном расстоянии друг от друга (рельсы), и набора относительно коротких отрезков, перпендикулярных этим прямым (шпалы). Предлагаемая методика детектирования железнодорожного пути на снимках с использованием преобразования Хока основана на поиске объекта, соответствующего такой геометрической модели.

В преобразовании Хока заложена идея пространственного суммирования для апроксимации множества точек на изображении прямыми линиями.

Для проведения преобразования Хока необходимо сформировать на основе исходного полутонового бинарное изображение 1(х,у):

[О, у) £ контуру

Будем называть контуром изображения совокупность его пикселов, в окрестности которых наблюдается скачкообразное изменение функции яркости. Так как при цифровой обработке изображение представлено как

функция целочисленных аргументов, то контуры представляются линиями шириной, как минимум, в один пиксел.

Исходное изображение Р (рис. 1)"' подвергается линейной или нелинейной обработке, с тем, чтобы выделить перепады яркости.

Рис. 1. Исходное изображение Р В результате этой операции формируется изображение Э (рис. 2), функция яркости которого существенно отличается от нуля только в областях резких изменений яркости изображения Р.

с. * ■ ;'*« «< ;

Рис. 2. Сформированное изображение О Затем в результате адаптивной пороговой обработки из изображения О формируется графический (контурный) препарат 1 (рис. 3). Правильный выбор порога на втором этапе должен производиться из следующих соображений. При слишком высоком пороге могут появиться разрывы

контуров, а слабые перепады яркости не будут обнаружены. При слишком низком - могут появиться ложные контуры.

; ' Рис. 3. Графический препарат I

Контурная точка (х,у), в которой значение 1(х,у) равно 1, принадлежит контуру, который можно задать уравнением:

Ах,у,рир1,...,р,) = о (18)

Г де р1, р2, ■■■, р„ - N параметров функции.

Цель преобразования Хока - определение значений параметров р,, р2, ■ ■■,р„. Для этого задается N - мерное пространство Н(Р,, Р2, ..., Рц), часто называемое собирающим. Далее для каждой контурной точки (х, у) проводится процедура голосования, заключающаяся в увеличении на 1 значения всех ячеек собирающего пространства Н(рь р2, ..., р координаты которых р,, р:, ..., р„ удовлетворяют уравнению (18):

......= 0 (19)

Где Н(р,, р2, ..., р„) - новое значение ячейки в собирающем пространстве; Н(р,, р:, ..., рп) - старое значение ячейки в собирающем пространстве.

После проведения голосования для всех точек контура координаты ячеек в пространстве Хока, набравшие максимальные значения, будут соответствовать параметрам фигур, содержащихся на изображении.

Рассмотрим технологию распознавания линейных отрезков железнодорожных путей методом Хока для создания цифровых моделей пути.

Уравнение прямой на плоскости, проходящей через точку с координатами (х,у) можно представить в виде

Где р - расстояние от прямой до центра координат; <7 - угол наклона прямой.

Тогда положение точки на данной прямой определяется параметром г:

где г - расстояние от центра прямой до точки (за центр прямой принимается точка, лежащая на прямой, расстояние от которой до центра координат имеет наименьшее значение).

Зададим трехмерное собирающее пространство Хока Н(Р, £>, Я), каждая ячейка которого имеет координаты р, д, г. Если бы пространство не было дискретным то каждой ячейке соответствовала бы одна точка исходного изображения, координаты которой можно вывести из (20) и

р — (х 51п(<7) — У соз(<7)) = 0 (20)

г-(л:зт((7)-усо5(д)) = 0 (21)

X

Рис. 4.

х = рсоъ^) + /-81п(д) (22) у = р&\х\{д)-гсоъ{д) (23)

Рис. 5.

Пусть пространство имеет шаг квантования с1Р, с!(2 и ¿Я по каждой из осей Р, (¿, Я. Тогда каждой ячейке будет соответствовать не точка изображения, а сегмент прямой линии с шириной с!Р, длиной сШ и неопределенностью направления <1(3.

Т.к целью метода является не апроксимация уже имеющихся контуров (отрезков), а распознавание этих контуров, вводится процедура голосования непосредственно на полутоновом изображении, для чего в каждой точке изображения определяется величина и направление градиента яркости. Направление градиента яркости перпендикулярно к контуру, проходящему через данную точку. Поэтому наклон сегмента, совпадающего с данным участком контура, можно вычислить как:

д = Агс(х,у) + л! 2 (24) где Агс(х,у) - направление градиента яркости в точке <5 координатами

(х.У).

Оставшиеся параметры сегмента можно рассчитать из уравнений (20) и (21):

р = хсоз(д) + ^51п(<7) (25)

г -- Х51п(д)~ у сов{д) (26)

Чем больше изменение яркости в данной точке тем больше оснований считать ее принадлежащей контуру Поэтому выражение (19) принимает вид:

Н(р, q, г) = Н\р, q, г) + V(x, у)Щр, д, г) : /(.с,y,p,q, г) = О (27)

где Н(р, q, г) - новое значение ячейки в собирающем пространстве; Н'(р, q, г) - старое значение ячейки в собирающем пространстве; V(x,y) -величина изменения яркости в точке (х,у)\ f(x,y,p,q,rj - комбинация выражений (24), (25) и (26).

Необходимо заметить, что все получаемые параметры (p,q,r) сегмента перед процедурой голосования необходимо проквантовать в соответствии с дискретностью собирающего пространства.

После проведения голосования для всех точек изображения координаты ячеек в собирающем пространстве с максимальными значениями будут соответствовать наиболее контрастным прямолинейным сегментам контуров изображения. Т о. критерием отбора выступает значение ячейки собирающего пространства.

Выбор максимальных значений неизбежно связан с введением порога Т. если значение ячейки H(p,q,r) больше данного порога, то сегмент контура с параметрами (p,q,r) присутствует на анализируемой сцене. Если значение порога будет слишком мало, буде выявлено много ложных сегментов. Если же значение порога будет слишком велико, сегменты, имевшиеся на изображении будут пропущены.

Для повышения достоверности выделения контуров необходимо ввести новый критерий отбора сегментов. Т.к. сегменты железнодорожного пути могут лежать на одной прямой и соприкасаться будем считать их смежными. Сегмент (pi,qi,r,,I смежен с сегментом (P:,q:.r:), если выполняется следующее условие'

Р\ - Рг = 0

4,-42 = 0 (28).

Где pi.qi.ri - параметры первого, р:,д:,г2 - параметры второго сегмента; сШ - шаг квантования параметра Л собирающего пространства.

Рис. 6

Новый критерий заключается в задании требования наличия смежных сегментов. Другими словами, сегмент (р.д.г) считается присутствующим на изображении толььо в том случае, если для него имеется смежный сегмент.

Таким образом, процедура отбора ячеек собирающего пространства должна осуществляться в два этапа. Во-первых, производится отбрасывание всех ячеек, значение которых меньше порога Т (бинаризация) Во-вторых, из оставшихся ячеек выбираются только смежные сегменты.

Данный метод выделения прямолинейных элементов контура производит суммирование перепадов яркости вдоль контура железнодорожного пути Это приводит к устойчивому выделению даже малоконтрастных элементов контура, дающих максимумы в собирающем пространстве. Результатом применения метода являются направленные сегменты, характеризуемы параметрами (р.д.г■), а также длиной с1Р и

шириной с/Л. Эти характеристики позволили внести новый критерий -критерий смежности для отбора сегментов из собирающего пространства Данный критерий делает метод устойчивым к шуму, так как случайные изменения яркости на изображении дают сегменты, направленные произвольным образом и не отвечающие требованию смежности.

Предложенная методика реализована в виде специализированного программного обеспечения (ПО) автоматизированного детектирования железнодорожных путей на снимках и идентификации их параметров. Ошибка определения местоположения рельса составляет 0,3-0,2 размера пиксела исходного изображения.

Предложенная автором методика автоматизированного распознавания выгодно отличается от традиционно применяемых методик распознавания. Модифицированный метод Хока, лежащий в её основе, позволяет уверенно распознавать искомые объекты при наличии на изображении отдельных шумовых точек и .даже целых областей зашумления. Помехостойкость данного метода является чрезвычайно высокой, что позволяет устойчиво детектировать на изображении линии даже при уровне шума выше уровня сигнала.

По сравнению с ручными методами сбора данных по снимкам данная методика является значительно более оперативной и экономичной, т.к. не связана с задействованием большого числа операторов-дешифраторов. Кроме того, исключение из процесса распознавания человеческого труда позволяет избежать субъективных ошибок распознавания и отрисовки.

Модифицированный метод Хока позволяет проводить распознавание железнодорожных путей даже при наличии на изображении перекрывающих их объектов (подвижной состав, мосты, тени и пр.), т.к. заложенный в его основу математический алгоритм позволяет проводить автоматический поиск объектов, соответствующих заданной геометрической модели и удовлетворяющих критерию отбора и продолжать построение модели пути после его выхода из под

перекрывающего объекта. Также метод позволяет не только детектировать, но и объективно выстраивать на изображении распознанные объекты (рельсы), с получением сразу двух параметров цифровой модели (угол наклона и расстояния от начала координат), что особенно важно для дальнейшей обработки результатов распознавания.

В сравнении же с корреляционнаМи методами распознавания метод Хока позволяет строить модель всего верхнего строения пути и при этом выделять объективные продольные осевые линии головок рельсов.

В рамках работы по научно-исследовательской и опытно-конструкторской теме ОАО «НИИАС» 19.1.006.Н «Система определения местоположения технологических объектов на путевом развитии станции на основе применения аппаратуры потребителей спутниковых радионавигационных систем ГЛОНАСС/СРБ» был проведен эксперимент по созданию цифровой модели путевого развития (ЦМПР) станции Красноярск-Восточный.

Цифровой космический снимок станции был загружен в среду ГИС ОЬ]есЛ.апс1, а затем трансформирован в заданную систему координат с помощью точек, координаты которых были измерены методами наземных высокоточных спутниковых измерений.

Далее в среду ГИС была импортирована цифровая модель верхнего строения пути станции, созданная методом автоматизированного распознавания, разработанным автором. После этого было произведено построение ЦМПР станции.

Общая среднеквадратическая погрешность координатного описания модели путевого развития вместе с содержащимися элементами не превысила 20 сантиметров.

Также, автором был разработан технологический процесс создания цифровых векторных карт на базе космических снимков высокого разрешения, получаемых с К А «Ресурс-ДК1», с включением в него разработанной методики автоматизированного распознавания, что

позволяет создавать конечную цифровую продукцию по данным ДЗЗ, как использую всевозможные дополнительные материалы (при их наличии), так и без них ~

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Доказана перспективность и высокая эффективность использования автоматизированной методики распознавания железнодорожных пут ей по данным ДЗЗ

2. Разработаны алгоритмы коррекции яркостных и динамических искажений цифровых изображений.

3. Разработана новая методика и алгоритм автоматизированного распознавания железнодорожных путей по данным дистанционного зондирования Земли из космоса сверхвысокого разрешения;

4. Разработано программное обеспечение для автоматизированного распознавания железнодорожных путей по данным дистанционного зондирования Земли из космоса сверхвысокого разрешения;

5. Разработан технологический процесс создания тематической продукции по материалам съемок «Ресурс-ДК1» в интересах железнодорожной отрасли.

Основные положения диссертации опубликованы в следующих работах:

1. Железнов М.М., Макаров А.Ю., Соколюк В.В. «Экспериментальная цифровая фотограмметрическая система для железнодорожного транспорта» - «Всероссийская выставка научно-технического творчества молодежи: сборник докладов», Москва, 2004 год.

2. Железнов М.М, Макаров А.Ю. «Цифровые аэросъемочные комплексы» - «Всероссийская выставка научно-технического творчества молодежи: сборник докладов», Москва, 2004 год.

3 Железнов М М, Макаров А10, Смородинский В А «Перспективы использования данных дистанционного зондирования Земли из космоса для" железнодорожного транспорта» - «Труды МИИТ: выпуск 1001», Москва, 2004 год.

4. Железнов М.М., Макаров АЛО, Смородинский В.А. «Инвентаризация объектов железнодорожного транспорта с использованием геоинформационных технологий» - «Труды МИИТ: выпуск 1001», Москва, 2004 год.

5. Железнов М М, Макаров А Ю , Смородинский В.А. «Методика создания цифровых моделей железнодорожных путей по материалам маршрутных аэрофотосъемок» - «Труды МИИТ: выпуск 1001», Москва, 2004 год.

6. Железнов М.М., Макаров А.Ю. «Методы повышения точности координатной привязки данных дистанционного зондирования Земли из космоса» - «59 юбилейная научно-техническая конференция студентов, аспирантов и молодых ученых МИИГАиК: сборник докладов», Москва, 2004 год.

7. Нехин С.С., Железнов ММ., Макаров А.Ю. «Координатное обеспечение навигацич транспорта на основе данных дистанционного зондирования» - «4-я Международная научно-практическая конференция «Геопространственные технологии и сферы их применения». Материалы конференции», Москва, Информационное агентство «Гром», 2007 год.

8. Железнов М.М., Макаров А Ю. «Координатно-временное обеспечение КА ДЗЗ «Ресурс-ДК1»» - «Труды международной научно-практической конференции «Проблемы геоинформатики и спутниковой навигации железнодорожного транспорта»», Москва. 2007 год.

9. Макаров А.Ю. «Спутниковый геопространственный мониторинг верхнего строения железнодорожного пути» - «Путь и путевое хозяйство», № 9, Москва, 2008 год

Макаров Алексей Юрьевич

Разработка методики автоматизированного распознавания

железнодорожных путей по данным дистанционного зондирования Земли из космоса сверхвысокого разрешения, получаемых российским космическим комплексом «Ресурс-ДК1»

Специальность 25.00.35 - «Геоинформатика»

Автореферат диссертации на соискание ученой степени кандидата технических наук

Подписано в печать *. 43, /О• 03> Формат 60x84/12

Печать офсетная. Бумага для множит, апп. Объем 1,5

Тираж 80 экз. Заказ -^З-^,